语言大模型 / LLM

CoverAssert: Iterative LLM Assertion Generation Driven by Functional Coverage via Syntax-Semantic Representations

CoverAssert: 通过语法-语义表示驱动的功能覆盖率迭代LLM断言生成

Yonghao Wang, Yang Yin, Hongqin Lyu, Jiaxin Zhou, Zhiteng Chao, Mingyu Shi, Wenchao Ding, Yunlin Du, Jing Ye, Tiancheng Wang, Huawei Li

专题命中 其他LLM ：LLM(title)

AI总结 CoverAssert通过语法-语义表示驱动LLM生成断言，利用功能覆盖率反馈迭代优化，提升分支、语句和切换覆盖率。

Comments 3 pages, 2 figures

Ambiguity Detection and Elimination in Automated Executable Process Modeling

自动可执行过程建模中的歧义检测与消除

Ion Matei, Praveen Kumar Menaka Sekar, Maksym Zhenirovskyy, Hon Yung Wong, Sayuri Kohmura, Shinji Hotta, Akihiro Inomata

机构 * Fujitsu Research of America（富士通美国研究院） ； University of Maryland, College Park（马里兰大学帕克分校） ； Fujitsu Limited（富士通株式会社） 纠错

专题命中 其他LLM ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出一种基于诊断的框架，通过分析关键性能指标的分布检测行为不一致，定位逻辑分歧并修复文本，以减少生成模型行为的变异。

Machine Learning-Based Detection of MCP Attacks

基于机器学习的MCP攻击检测

Tobias Mattsson, Samuel Nyberg, Anton Borg, Ricardo Britto

机构 * Blekinge Institute of Technology（布莱金厄理工学院） ； Ericsson（爱立信） 纠错

专题命中 其他LLM ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文研究了MCP攻击检测问题，提出并评估了多种监督机器学习方法，包括传统和深度学习模型，通过二分类和多分类任务验证了模型的有效性，展示了机器学习在区分恶意与良性数据中的优势。

Context-Guided Decompilation: A Step Towards Re-executability

基于上下文的反编译：迈向可重新执行性的一步

Xiaohan Wang, Yuxin Hu, Kevin Leach

机构 * Vanderbilt University（范德堡大学） 纠错

专题命中 其他LLM ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出ICL4Decomp框架，利用上下文学习指导LLM生成可重新执行的源代码，提升反编译的可执行性与鲁棒性。

PosterGen: Aesthetic-Aware Multi-Modal Paper-to-Poster Generation via Multi-Agent LLMs

PosterGen：基于多智能体LLM的美观化论文到海报生成

Zhilin Zhang, Xiang Zhang, Jiaqi Wei, Yiwei Xu, Chenyu You

机构 * Stony Brook University（石溪大学） ； New York University（纽约大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Zhejiang University（浙江大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

专题命中 其他LLM ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 PosterGen通过多智能体LLM实现论文到海报的美观化生成，包含四个协作专业代理，提升设计质量和视觉吸引力。

Comments Project Website: https://Y-Research-SBU.github.io/PosterGen

Head-wise Modality Specialization within MLLMs for Robust Fake News Detection under Missing Modality

在多模态大语言模型中实现模态专精以在缺失模态下实现鲁棒的虚假新闻检测

Kai Qian, Weijie Shi, Jiaqi Wang, Mengze Li, Hao Chen, Yue Cui, Hanghui Guo, Ziyi Liu, Jia Zhu, Jiajie Xu

机构 * Soochow University（苏州大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学计算机科学与工程系） ； The Hong Kong University of Science and Technology（香港科技大学） ； FiT, Tencent（腾讯FiT） ； Alibaba Group（阿里巴巴集团） ； School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； School of Education, Zhejiang Normal University（浙江师范大学教育学院） 纠错

专题命中 其他LLM ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文提出在多模态大语言模型中通过头级专精机制提升鲁棒性，以应对缺失模态下的虚假新闻检测，通过保留模态专精能力与利用稀疏单模注释提升检测性能。

Hidden Signals in Language: Inferring Sensitive Attributes from Reddit Comments Using Machine Learning

语言中的隐藏信号：利用机器学习从Reddit评论中推断敏感属性

Anay Agarwalla, Simeon Sayer

专题命中 其他LLM ：large language model(abstract)；language model(abstract)

AI总结 研究通过机器学习从Reddit评论中推断敏感属性，发现即使简单模型也能检测到与敏感属性相关的信号，且不同社区的预测性能差异显著。

Comments 13 pages, 5 figures

Expect the Unexpected? Testing the Surprisal of Salient Entities

意外之coming？检验显著实体的意外性

Jessica Lin, Amir Zeldes

专题命中 其他LLM ：prompting(abstract)；分类 cs.CL

AI总结 本文研究了话语中实体整体显著性与意外性之间的关系，通过70000个手动标注的提及和新提出的最小配对提示方法，发现显著实体具有更高的意外性，并在不同体裁中表现出差异。

Comments Accepted to ACL 2026 (main, long); camera-ready version

AutoMS: Multi-Agent Evolutionary Search for Cross-Physics Inverse Microstructure Design

AutoMS：多智能体进化搜索用于跨物理逆微结构设计

Zhenyuan Zhao, Yu Xing, Tianyang Xue, Lingxin Cao, Xin Yan, Lin Lu

机构 * Shandong University（山东大学） ； The University of Hong Kong（香港大学） 纠错

专题命中 其他LLM ：LLM(abstract)；分类 cs.AI

AI总结 本文提出AutoMS，通过LLM驱动的进化搜索解决跨物理逆微结构设计问题，实现83.8%的成功率，优于传统算法和现有基线方法。

Agentic Application in Power Grid Static Analysis: Automatic Code Generation and Error Correction

代理在电力网络静态分析中的应用：自动代码生成与错误修正

Qinjuan Wang, Shan Yang, Yongli Zhu

机构 * Sun Yat-sen University（中山大学） 纠错

专题命中 其他LLM ：LLM(abstract)；分类 cs.AI

AI总结 本文提出一个基于LLM的代理，通过将自然语言转换为MATLAB脚本实现电力网络静态分析自动化，采用三重纠错系统提升代码准确性，实验表明其在复杂任务中能有效消除幻觉。

Comments This paper has been accepted for presentation at the 9th International Conference on Energy, Electrical and Power Engineering (CEEPE 2026) in Nanjing, China, April 17-19, 2026

The Defense Trilemma: Why Prompt Injection Defense Wrappers Fail?

防御三重困境：为何提示注入防御包装失效？

Manish Bhatt, Sarthak Munshi, Vineeth Sai Narajala, Idan Habler, Ammar Al-Kahfah, Ken Huang, Joel Webb, Blake Gatto, Md Tamjidul Hoque

机构 * OWASP ； Amazon Leo ； UNO ； Amazon Web Services（亚马逊云服务） ； Cisco（思科） ； Shrewd Security 纠错

专题命中 其他LLM ：language model(abstract)；分类 cs.AI

AI总结 研究证明连续且保持效用的防御包装无法使语言模型的所有输出严格安全，并揭示了防御必须失败的精确位置。通过三个逐步加强的假设，证明了连续性、效用保持性和完整性无法共存。

Sat2Sound: A Unified Framework for Zero-Shot Soundscape Mapping

Sat2Sound：一种用于零样本声音景观映射的统一框架

Subash Khanal, Srikumar Sastry, Aayush Dhakal, Adeel Ahmad, Abby Stylianou, Nathan Jacobs

机构 * Washington University in St. Louis（圣路易斯华盛顿大学） ； Taylor Geospatial（泰勒地理空间） ； Saint Louis University（圣路易斯大学） 纠错

专题命中 其他LLM ：language model(abstract)；分类 cs.AI

AI总结 Sat2Sound通过融合多模态数据，实现地球表面声音分布的零样本映射，通过对比学习和代码本对齐学习发现跨模态的'声音景观概念'，在GeoSound和SoundingEarth基准上取得最佳性能。

Comments Accepted to EarthVision 2026

GS4City: Hierarchical Semantic Gaussian Splatting via City-Model Priors

GS4City: 通过城市模型先验实现层次化语义高斯点云

Qilin Zhang, Jinyu Zhu, Olaf Wysocki, Benjamin Busam, Boris Jutzi

机构 * Technical University of Munich (TUM)（慕尼黑工业大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院） ； CV4DT, University of Cambridge（剑桥大学CV4DT） 纠错

专题命中 其他LLM ：foundation model(abstract)

AI总结 GS4City通过整合城市模型先验，实现层次化语义高斯点云，有效整合建筑语义，优于现有2D驱动的3DGS方法，提升城市重建的语义查询能力和结构感知能力。

TOSC: Task-Oriented Shape Completion for Open-World Dexterous Grasp Generation from Partial Point Clouds

TOSC：面向任务的形状补全用于从部分点云生成开放世界灵巧抓取

Weishang Wu, Yifei Shi, Zhiping Cai

专题命中 其他LLM ：foundation model(abstract)

AI总结 本文提出面向任务的形状补全方法，通过生成任务导向的接触区域完成方案，提升开放世界中灵巧抓取的性能，改进抓取位移和 Chamfer 距离。

Comments Accepted to AAAI 2026

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(13), 10781-10789 (2026)

WARPED: Wrist-Aligned Rendering for Robot Policy Learning from Egocentric Human Demonstrations

WARPED：用于机器人策略学习的腕部对齐渲染

Harry Freeman, Chung Hee Kim, George Kantor

专题命中 其他LLM ：foundation model(abstract)

AI总结 WARPED通过单目RGB数据合成腕部视角观测，实现从第一人称人类示范数据中训练视觉运动策略，相比传统方法减少5-8倍的数据收集时间。

Enhancing Understandability and Transparency of Research Software: Tracing Research to Code

提升研究软件的理解性和透明度：追踪研究到代码

Adrian Bajraktari, Andreas Vogelsang

专题命中 其他LLM ：LLM(abstract)

AI总结 本文提出一种基于LLM的自动化工具，通过建立论文思想与代码间的映射，提升研究软件的可理解性和透明度，解决新成员上手困难和会议评审复制包评估的问题。

Comments Accepted at the 1st International Workshop on Software Engineering and Research Software (SERS 2026)

THOM: Generating Physically Plausible Hand-Object Meshes From Text

THOM：从文本生成物理合理的手-物体网格

Uyoung Jeong, Yihalem Yimolal Tiruneh, Hyung Jin Chang, Seungryul Baek, Kwang In Kim

机构 * UNIST（蔚山科学技术院） ； University of Birmingham（伯明翰大学） ； POSTECH（浦项科技大学） 纠错

专题命中 其他LLM ：language model(abstract)

AI总结 THOM通过两阶段流程从文本生成物理合理的手-物体网格，无需模板网格，结合物理优化和视觉语言模型提升交互合理性。

Comments accepted to CVPR Findings 2026

Wearable AI in the Era of Large Sensor Models

在大规模传感器模型时代的人工智能可穿戴技术

Yize Cai, Baoshen Guo, Guobin Shen, Zhiqing Hong

专题命中 其他LLM ：foundation model(abstract)

AI总结 本文探讨了大规模传感器模型在可穿戴AI中的应用，提出通过整合多模态数据提升系统泛化能力，并讨论了无语言能力和有语言能力的两种模型方向。

Comments 18 pages

TaleDiffusion: Multi-Character Story Generation with Dialogue Rendering

TaleDiffusion：多角色故事生成与对话渲染

Ayan Banerjee, Josep Llados, Umapada Pal, Anjan Dutta

机构 * Computer Vision Center, Universitat Autònoma de Barcelona（巴塞罗那自治大学计算机视觉中心） ； Indian Statistical Institute, Kolkata（加尔各答印度统计研究所） ； Institute for People Centred Artificial Intelligence, University of Surrey（萨里大学以人为本人工智能研究所） 纠错

专题命中 其他LLM ：LLM(abstract)

AI总结 TaleDiffusion通过迭代过程生成多角色故事，通过后处理保证角色一致性与对话准确性，实验表明在一致性、降噪和对话渲染方面优于现有方法。